Kernel-based learning with guarantees for multi-agent applications

要約

この論文は、ノイズの多い環境で潜在的な多次元の非線形現象を局所的に観察するエージェントのネットワークに対するカーネルベースの学習問題を扱います。
我々は、調査対象の現象についての軽度のアプリオリな知識のみを必要とし、対応する非漸近的高確率誤差限界を備えたモデルを提供する学習アルゴリズムを提案します。
この論文では、手法の非漸近解析と数値シミュレーション結果の両方が提示され、議論されています。

要約(オリジナル)

This paper addresses a kernel-based learning problem for a network of agents locally observing a latent multidimensional, nonlinear phenomenon in a noisy environment. We propose a learning algorithm that requires only mild a priori knowledge about the phenomenon under investigation and delivers a model with corresponding non-asymptotic high probability error bounds. Both non-asymptotic analysis of the method and numerical simulation results are presented and discussed in the paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google